PEMODELAN PERIODIK DAN STOKASTIK UNTUK MENGANALISIS DATA CURAH HUJAN YANG HILANG MENGGUNAKAN STUDI KASUS STASIUN HUJAN SUKARAME.

Transkripsi

1 PEMODELAN PERIODIK DAN STOKASTIK UNTUK MENGANALISIS DATA CURAH HUJAN YANG HILANG MENGGUNAKAN STUDI KASUS STASIUN HUJAN SUKARAME Ashruri 1) Abstract Rainfall data is very important for planning in engineering, especially for hydrology buildings such as water irrigation, dams, urban drainage, ports, docks, etc. Rainfall has periodic and stochastic parts, and influenced by climatic parameters such as temperature, wind direction, humidity, etc. These parameters are transferred into the periodic and stochastic rainfall components. The rainfall is calculated to determine both, periodic and stochastic components. The missing data were caused by the malfunction of operation of the recording in the rain stations or human error itself. Keywords: Periodic Model, Stochastic Model, Periodic and Stochastic Models Abstrak Data curah hujan sangat penting untuk perencanaan teknik khususnya untuk bangunan air misalnya irigasi, bendungan, drainase perkotaan, pelabuhan, dermaga, dan lain-lain. Hujan mempunyai sifat periodik dan stokastik, karena dipengaruhi oleh parameter iklim seperti suhu udara, arah angin, kelembaban dan lain sebagainya. Parameter ini ditransfer menjadi komponen bersifat periodik dan stokastik. Namun terkadang di beberapa titik stasiun pencatat curah hujan terdapat data yang hilang karena tidak bekerjanya pencatatan di stasiun hujan atau kesalahan manusia itu sendiri. Kata Kunci : Model Periodik, Model Stokastik, Model Periodik dan Stokastik 1. PENDAHULUAN Hujan mempunyai sifat periodik dan stokastik, karena dipengaruhi oleh parameter iklim seperti suhu udara, arah angin, kelembaban dan lain sebagainya, yang juga bersifat periodik dan stokastik. Parameter ini ditransfer menjadi komponen bersifat periodik dan stokastik. Selanjutnya curah hujan dapat dapat dihitung keduanya, komponen periodik dan komponen stokastik. Menentukan semua faktor yang diketahui dan diasumsikan bahwa hujan adalah sebagai fungsi dari variasi periodik dan stokastik dari iklim. Dengan analisis periodik dan stokastik dari seri waktu akan menghasilkan sebuah model yang akan menghitung bagian periodik dan stokastik untuk dipergunakan meramal variasi hujan harian diwaktu yang akan datang. (Zakaria, 2010). Namun terkadang di beberapa titik stasiun pencatat curah hujan terdapat data yang hilang. Hilangnya data tersebut dapat disebabkan oleh tidak bekerjanya pencatatan di stasiun hujan atau karena kesalahan manusia itu sendiri. Karena hujan yang turun di suatu daerah di Indonesia juga akan turun secara periodik maka dapat dihitung apabila ada data yang hilang pada masa tertentu. Penulis akan mencoba menghitung perkiraannya pada masa yang akan datang dan menghitung data yang hilang tersebut. 1 Mahasiswa Jurusan Magister Teknik Sipil Fakultas Teknik Universitas Lampung Jl. Prof. Sumantri Brojonegoro No 1 Gedong Meneng, Bandar Lampung.

2 2. METODE PENELITIAN Secara umum, data seri waktu dapat diuraikan menjadi komponen deterministik yang dapat dirumuskan menjadi nilai nilai yang berupa komponen yang merupakan solusi eksak dan komponen yang bersifat stokastik, yang mana nilai ini selalu dipresentasikan sebagai suatu fungsi yang terdiri dari beberapa fungsi data seri waktu. Data seri waktu X tr, dipresentasikan sebagai suatu model yang terdiri dari beberapa fungsi sebagai berikut : (Rizalihadi, 2002; Bhakar, 2006; dan Zakaria, 2008) Dimana : T t = komponen trend, t = 1, 2, 3,..., N P t = komponen = komponen stokastik S t X t =T t +P t +S t [1] Komponen trend menggambarkan perubahan panjang dari pencatatan data hujan yang panjang selama pencatatan data hujan, dan dengan mengabaikan komponen fluktuasi dengan durasi pendek. Didalam penelitian ini, untuk data hujan yang dipergunakan, diperkirakan tidak memiliki trend. Sehingga persamaan ini dapat dipresentasikan sebagai berikut : X t P t +S t [2] Persamaan (2) adalah persamaan pendekatan untuk mensimulasikan model periodik dan stokastik dari data curah hujan harian. A. Metode Spektral Metode spektrum merupakan salah satu metode transformasi yang umumnya dipergunakan didalam banyak aplikasi. Metode ini dapat dipresentasikan sebagai persamaan Transformasi Fourier sebagai berikut, (Zakaria, 2003; Zakaria, 2008): P ( f m )= Δt n= 2 N /2 2. π.i M P ( t π n ).e. m.n [3] N /2 Dimana P(tn) adalah data seri curah hujan dalam domain waktu dan P(fn) adalah data seri curah hujan dalam domain frekuensi. t n adalah variabel seri dari waktu yang mempresentasikan panjang data ke N, f m variabel seri dari frekuensi. B. Metode Periodik Komponen periodik P(t) berkenaan dengan suatu perpindahan yang berosilasi untuk suatu interval tertentu (Kottegoda, 1980). Keberadaan P(t) diidentifikasikan dengan menggunakan metode Transformasi Fourier. Bagian yang berosilasi menunjukkan keberadaan P(t), dengan menggunakan periode P, beberapa periode puncak dapat diestimasi dengan menggunakan analisis Fourier. Frekuensi-frekuensi yang didapat dari metode spektral secara jelas menunjukkan adanya variasi yang bersifat periodik. Komponen periodik P(f m ) dapat juga ditulis dalam bentuk frekuensi sudut ω r. Selanjutnya dapat diekspresikan sebuah persamaan dalam bentuk Fourier sebagai berikut, (Zakaria, 1998) : 40 Ashruri, Pemodelan Periodik dan Stokastik...

3 P ( f m )= Δt n= 2 N /2 2. π.i M P ( t π n ).e. m.n [4] N /2 Persamaan (4) dapat disusun menjadi persamaan sebagai berikut, Dimana : P(t) ^P(t) P o ω r t A r, B r k ^P ( f m )= Δt n= 2 N /2 2. π. i M P ( t π n ). e. m.n [5] N /2 = komponen periodik = model dari komponen periodik = A k+1 = rerata curah hujan harian (mm) = frekuensi sudut (radian) = waktu (hari) = koefisien komponen fourier = jumlah komponen signifikan C. Metode Stokastik Komponen stokastik dibentuk oleh nilai yang bersifat random yang tidak dapat dihitung secara tepat. Stokastik model, dalam bentuk model autoregresif dapat ditulis sebagai fungsi matematika sebagai berikut, p S 1 =ε+ b k.s t k [6] k=1 Persamaan (6) dapat diuraikan menjadi, S 1 =ε+b 1. S t 1 +b 2. S t b p. S t p [7] Dimana : b k = parameter model autoregressif. ε = konstanta bilangan random k = 1, 2, 3, 4,..., p = order komponen stokastik Untuk mendapatkan parameter model dan konstanta bilangan random dari model stokastik di atas dapat dipergunakan metode kuadrat terkecil (least squares method). D. Metode Kuadrat Terkecil (Least Square Method) Didalam metode pendekatan kurvanya, sebagai suatu solusi pendekatan dari komponen-komponen periodik P(t), dan untuk menentukan fungsi dari Persamaan (5), sebuah prosedur yang dipergunakan untuk mendapatkan model komponen periodik tersebut adalah metode kuadrat terkecil (Least squares method). Dari Persamaan (5) dapat dihitung jumlah dari kuadrat error antara data dan model periodik (Zakaria, 1998) sebagai berikut, t =m Jumlah Kuadrat error = J = {P (t ) ^P (t ) } 2 [8] t =1 Dimana J adalah jumlah kuadrat error yang nilainya tergantung pada nilai A r dan B r. Selanjutnya koefisien J hanya dapat menjadi minimum bila memenuhi persamaan sebagai berikut, Ashruri, Pemodelan Periodik dan Stokastik... 41

4 J = J =0 [9] A r B r Dengan menggunakan metode kuadrat terkecil, didapat komponen fourier A r dan B r. Berdasarkan koefisien fourier ini dapat dihasilkan persamaan sebagai berikut, 1. Curah hujan harian rerata, 2. Amplitudo dari komponen harmonik, P o = A k+1 [10] C r = A r 2 +B r 2 3. Fase dari komponen harmonik, φ r =arctan( B r [12] A r ) Rerata dari curah hujan harian, amplitudo dan fase dari komponen harmonik dapat dimasukkan ke dalam sebuah persamaan sebagai berikut, r =k ^P ( t )=S o + r =1 [11] C r cos (ω t.t φ r ) [13] Persamaan (13) adalah model periodik dari curah hujan harian dimana yang periodik didapat berdasarkan data curah hujan harian dari stasiun curah hujan Sukarame. Berdasarkan hasil simulasi yang didapat dari model periodik curah hujan harian, dapat dihitung komponen stokastik curah hujan harian. Komponen stokastik merupakan selisih antara data curah hujan harian dengan hasil simulasi curah hujan harian yang didapat dari model periodik. Selanjutnya Parameter stokastik dapat dicari dengan menggunakan metode kuadrat terkecil (least squares method). E. Metode Rata-rata Metode Konvensional / Rata-rata adalah metode yang paling praktis digunakan untuk mencari data curah hujan yang hilang. Metode ini hanya merata-ratakan curah hujan kumulatif bulanan atau tahunan dari curah hujan yang hilang. P= P +P Keterangan : P = Curah Hujan yang hilang P 1 = Curah hujan tahun sebelumnya = Curah hujan tahun berikutnya P 2 [14] F. Metode Normal Ratio Metode Normal Ratio adalah salah satu metode yang digunakan untuk mencari data yang hilang. Metode perhitungan yang digunakan cukup sederhana yakni dengan memperhitungkan data curah hujan di stasiun hujan yang berada di das yang sama untuk mencari data curah hujan yang hilang di stasiun tersebut. Variabel yang 42 Ashruri, Pemodelan Periodik dan Stokastik...

5 diperhitungkan pada metode ini adalah curah hujan harian di stasiun lain dan jumlah curah hujan 1 tahun pada stasiun lain tersebut. Rumus Metode Normal Ratio untuk mencari data curah hujan yang hilang sebagai berikut : Rx= 1 n { N x N A x P A + N x N B x P B} [15] Keterangan : Rx = Curah hujan stasiun yang datanya dicari (mm) n = Jumlah stasiun Hujan NA = Jumlah hujan pada stasiun A pada tahun sebelumnya PA = Curah hujan harian pada stasiun A NB = Jumlah hujan pada stasiun B pada tahun sebelumnya PB = Curah hujan harian pada stasiun B Nx = Jumlah hujan pada stasiun X pada tahun sebelumnya G. Metode Inversed Square Distance Metode Inversed Square Distance adalah salah satu metode yang digunakan untuk mencari data yang hilang. Metode perhitungan yang digunakan hampir sama dengan metode normal ratio yakni memperhitungkan stasiun yang ada pada das yang sama. Jika pada metode normal ratio yang digunakan adalah jumlah curah hujan dalam 1 tahun, pada metode ini variabel yang digunakan adalah jarak stasiun terdekat dengan stasiun yang akan dicari data curah hujan yang hilang. Rumus Metode Inversed Square Distance untuk mencari data curah hujan yang hilang sebagai berikut : 1 dxa x R A dxb x R 2 B Rx= 1 dxa dxb 2 Keterangan : Rx = Curah hujan stasiun yang datanya dicari (mm) RA = Curah hujan stasiun A dxa = Jarak stasiun A ke stasiun yang di cari RB = Curah hujan stasiun B dxb = Jarak stasiun B ke stasiun yang di cari [16] 3. TAHAPAN PENELITIAN a. Mengumpulkan data curah hujan yang akan dihitung dalam 1 (satu) tahun dan menyajikannya dalam bentuk tabel dan memberikan angka 0 pada hari dimana tidak terjadi hujan. Dalam Tabel tersebut terdapat bulan dan tanggal terjadinya hujan yang dicatat pada stasiun hujan tersebut, b. Menyusun data curah hujan harian tersebut menjadi data curah hujan harian seri ke dalam 2 kolom, kolom pertama adalah hari dan kolom kedua adalah curah hujan harian. Data curah hujan tersebut disusun dari tanggal 1 Januari sampai dengan 31 Desember sehingga didapatkan sebanyak 365 hari untuk tahun biasa dan 366 hari untuk tahun kabisat c. Menyimpan data curah harian seri tersebut kedalam file bernama signals.inp (signal input). d. Mengubah data curah harian seri menjadi spektrum curah hujan harian menggunakan program FFT (Fast Fourier Transform). Ashruri, Pemodelan Periodik dan Stokastik... 43

6 e. Setelah menjalankan program FFT (Fast Fourier Transform) akan didapat 3 file yaitu : Spectrum.eps Spectrum.out Fourier.inp f. Menghitung komponen periodik curah hujan menggunakan metode transformasi fourier, File yang digunakan untuk menjalankan program Fourier adalah file signals.inp (signal input) dan fourier.inp (fourier input). g. Setelah menjalankan program fourier maka akan didapat 3 file yaitu : Signals.out Signals.eps Fourier.out h. Menghitung komponen stokastik curah hujan menggunakan metode kuadrat terkecil (least squares method). File yang digunakan oleh program auto regresif ini adalah file signals.inp (signal input) dan signals.out i. Setelah menjalankan program auto regresif akan didapat 2 file yaitu : Auto-reg.out Signalps.out j. Menghitung koefisien korelasi periodik dan stokastik. k. Menganalisis hasil perhitungan dan menarik kesimpulan. 4. PEMBAHASAN HASIL PERHITUNGAN A. Data Curah Hujan Harian Untuk mencari karakteristik Periodik dan Stokastik hujan harian yang hilang dalam penelitian ini digunakan data seri waktu 512 hari. Sebagai contoh untuk memodelkan curah hujan tahun 1990 dibutuhkan data 512 hari (147 hari tahun 1988 ditambah 365 hari tahun 1989) pada Stasiun Hujan PH-003 Sukarame dan disimpan ke dalan file bernama signals.inp. Gambar 1 Curah Hujan Series Waktu 512 hari (147 hari tahun hari tahun 1989) dari Stasiun Hujan PH-003 Sukarame B. Spektrum Curah Hujan Harian Berdasarkan series waktu tersebut spektrum data curah hujan harian seri waktu dihasilkan dengan menggunakan metode FFT (Fast Fourier Transform) 44 Ashruri, Pemodelan Periodik dan Stokastik...

7 Gambar 2 Spektrum Curah Hujan Series Waktu ramal 512 hari dari Stasiun Hujan PH-003 Sukarame C. Model Periodik Hujan Harian Komponen Model Periodik curah hujan seri waktu dihitung menggunakan Metode Transformasi Fourier untuk menghasilkan frekuensi-frekuensi curah hujan periodik. Gambar 3 Model Periodik curah hujan harian ramal (512 hari) Gambar 4 Model Periodik curah hujan harian ramal (64 hari) D. Model Stokastik Curah Hujan Harian Komponen Model Stokastik curah hujan seri waktu dihitung dengan Metode kuadrat terkecil (least squares method) dengan menjalankan Program auto regresif / Autoregr untuk menghasilkan frekuensi-frekuensi stokastik curah hujan. File signalr.inp merupakan input baru untuk menjalankan program auto regresif / Autoregr. File ini menggunakan 1024 data yaitu 1024 hari untuk membandingkan hasil ramalan curah hujan dengan data curah hujan itu sendiri. Sebagai contoh untuk meramal data curah hujan yang hilang pada tahun 1990, file signalr.inp berisikan 1024 hari yang terdiri dari 147 hari tahun 1988, 365 hari tahun 1989, 365 hari tahun 1990, dan 147 hari tahun Ashruri, Pemodelan Periodik dan Stokastik... 45

8 Gambar 5 File signalr.inp dari Stasiun Hujan PH-003 Sukarame (1024 hari) Gambar 6 Model Stokastik curah hujan harian ramal (512 hari) Gambar 7 Model Stokastik curah hujan harian ramal (64 hari) E. Model Periodik Stokastik Curah Hujan Harian Model Periodik dan Stokastik merupakan hasil dari penjumlahan model periodik dan model stokastik. Gambar 8 Model Periodik Stokastik curah hujan harian ramal (512 hari) Gambar 9 Model Periodik Stokastik curah hujan harian ramal (64 hari) F. Koefisien Korelasi Besarnya selisih antara Model Periodik, Model Stokastik, dan Model Periodik Stokastik dengan data terukur dapat diketahui dengan melihat koefisien korelasinya. 46 Ashruri, Pemodelan Periodik dan Stokastik...

9 Gambar 10 Koefisien Korelasi (R) Model Periodik Ramal dari Stasiun Hujan PH-003 Sukarame. Gambar 11 Koefisien Korelasi (R) Model Stokastik Ramal dari Stasiun Hujan PH-003 Sukarame. Gambar 12 Koefisien Korelasi (R) Model Periodik dan Stokastik Ramal dari Stasiun Hujan PH-003 Sukarame. Rata-rata Koefisien Korelasi (R) yang didapat yaitu : 1. Model Periodik sebesar 0, Model Stokastik sebesar 0, Model Periodik dan Stokastik sebesar 0,4340 G. Hasil Perhitungan Kelima Metode Untuk melihat grafik perbandingan hasil perhitungan curah hujan tahunan, kumulatif dan Rata-rata bulanan dari Metode Periodik, Periodik Stokastik, Ratarata, Normal Ratio, dan Inversed Square Distance dipresentasikan dalam tabel dan gambar berikut: 1. Curah Hujan Tahunan Tabel 1 Koefisien Korelasi Curah Hujan Tahunan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. Tahun Periodik Periodik Normal Ratio Distance Inversed Square Rata-Rata Stokastik ,5557 0,5201 0,0569 0,1085 0, ,5738 0,5915 0,2156 0,3406 0, ,3441 0,2269 0,0114 0,1100 0, ,4394 0,3055 0,0321 0,0799 0,0775 Ashruri, Pemodelan Periodik dan Stokastik... 47

10 Tahun Periodik Periodik Normal Ratio Distance Inversed Square Rata-Rata Stokastik ,5288 0,4134 0,0486 0,1687 0, ,6498 0,4641 0,1430 0,3521 0, ,4463 0,3973 0,0049 0,3421 0, ,4059 0,4469 0,0639 0,1032 0, ,3127 0,3829 0,1551 0,1267 0, ,4464 0,5916 0,1318 0,1947 0,1941 Rata-Rata 0,4703 0,4340 0,0789 0,1926 0,1926 Dari hasil perhitungan data yang hilang series curah hujan tahunan tahun pada Tabel 1 didapatkan bahwa metode Pemodelan Periodik mempunyai korelasi rata-rata yang lebih baik sebesar 0,4703 dibandingkan metode lainnya yaitu Pemodelan Periodik Stokastik sebesar 0,4340,, Metode Normal Ratio sebesar 0,1926, Metode Inversed Square Distance sebesar 0,1926, dan Metode Rata-rata sebesar 0,0789. Gambar 13 Koefisien Korelasi Curah Hujan Tahunan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. Tabel 2 2. Curah Hujan Kumulatif Bulanan Koefisien Korelasi Curah Hujan Kumulatif bulanan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. Tahun Periodik Periodik Normal Ratio Distance Inversed Square Rata-Rata Stokastik ,3411 0,7741 0,1792 0,6206 0, ,0306 0,6329 0,5234 0,8520 0, ,2834 0,6144 0,0429 0,5156 0, ,3632 0,4947 0,5287 0,7952 0, ,3477 0,8524 0,8211 0,8829 0, ,2194 0,5701 0,7445 0,8352 0, ,5868 0,4979 0,6558 0,7863 0, ,0036 0,8169 0,5950 0,7261 0, ,4359 0,8637 0,7897 0,7723 0, ,6204 0,9398 0,7497 0,7973 0,7882 Rata-Rata 0,3232 0,7057 0,5272 0,7583 0, Ashruri, Pemodelan Periodik dan Stokastik...

11 Dari hasil perhitungan data yang hilang kumulatif bulanan tahun pada Tabel 2 didapatkan bahwa Metode Normal Ratio mempunyai korelasi rata-rata yang lebih baik sebesar 0,7583 dibandingkan metode lainnya yaitu Metode Inversed Square Distance sebesar 0,7550, Pemodelan Periodik Stokastik sebesar 0,7057, Metode Rata-rata sebesar 0,5272, dan Pemodelan Periodik sebesar 0,3232. Gambar 14 Koefisien Korelasi Curah Hujan Kumulatif Bulanan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. 3. Curah Hujan Rata-rata Bulanan Tabel 3 Koefisien Korelasi Curah Hujan Rata-rata bulanan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. Tahun Periodik Periodik Normal Inversed Square Rata-Rata Stokastik Ratio Distance ,3551 0,7834 0,1695 0,6650 0, ,0247 0,6269 0,4876 0,8432 0, ,2928 0,6056 0,0151 0,4994 0, ,3191 0,5531 0,5299 0,8150 0, ,3676 0,8558 0,8179 0,8811 0, ,2287 0,5690 0,7503 0,8364 0, ,5894 0,5135 0,6638 0,7916 0, ,0324 0,8215 0,5980 0,7302 0, ,4520 0,8741 0,8050 0,7749 0, ,6119 0,9446 0,7695 0,8144 0,8058 Rata-Rata 0,3273 0,7147 0,5268 0,7651 0,7618 Dari hasil perhitungan data yang hilang rata-rata bulanan tahun pada Tabel 3 didapatkan bahwa Metode Normal Ratio mempunyai korelasi rata-rata yang lebih baik sebesar 0,7651 dibandingkan metode lainnya yaitu Metode Inversed Square Distance sebesar 0,7618, Pemodelan Periodik Stokastik sebesar 0,7147, Metode Rata-rata sebesar 0,5268, dan Pemodelan Periodik sebesar 0,3273. Ashruri, Pemodelan Periodik dan Stokastik... 49

12 Gambar 15 Koefisien Korelasi Curah Hujan Rata-rata Bulanan dari tahun dengan Kelima Metode dari Stasiun Hujan PH-003 Sukarame. 5. KESIMPULAN Dari hasil perhitungan berbagai metode yang telah dilakukan penulis menarik kesimpulan berdasarkan koefisien korelasi sebagai berikut : a. Untuk hasil perhitungan series waktu harian metode terbaik adalah Model Periodik dengan Korelasi Rata-rata sebesar 0,4703 b. Untuk hasil perhitungan kumulatif bulanan metode terbaik adalah Metode Normal Ratio dengan Korelasi Rata-rata sebesar 0,7583 c. Untuk hasil perhitungan rata-rata bulanan metode terbaik adalah Metode Normal Ratio dengan Korelasi Rata-rata sebesar 0,7651 DAFTAR PUSTAKA Bhakar, S.R., Singh, Raj Vir, Chhajed, Neeraj, and Bansal, Anil Kumar. 2006, Stochastic modeling of monthly rainfall at kota region, ARPN Journal of Engineering and Applied Sciences, Vol.1 (3): Kottegoda, N. T Stochastic Water Resources Technology. London: The Macmillan Press Ltd. London. p. 384 Rasimin. 2013, Pemodelan Periodik dan Stokastik Curah Hujan Kota Bandar Lampung. Jurusan Teknik Sipil. Fakultas Teknik. Universitas Lampung. Rizalihadi, M The generation of synthetic sequences of monthly rainfall using autoregressive model, Jurnal Teknik Sipil Universitas Syah Kual a, Vol. 1 (2) : Zakaria, A. 1998, Preliminary Study of Tidal Prediction using Least Squares Method, Thesis (Master). Bandung Institute if Technology. Bandung. Indonesia. Zakaria, A. 2003, Numerical Modelling of Wavw Propagation using Higher Order Finite Difference Formulas, Thesis (Ph.D), Curtin University of Technology, Perth, W.A., Australia. Zakaria, A, 2005a, Aplikasi Program FTRANS, Jurusan Teknik Sipil, Fakultas Teknik, Universitas Lampung. Zakaria, A. 2005b, Aplikasi Program ANFOR, Jurusan Teknik Sipil, Fakultas Teknik, Universitas Lampung. Zakaria, A. 2008, The Generation of Synthetic Sequences of Monthly Cumulative Rainfall using FFT and Least Square Method, Prosiding Seminar Hasil Penelitian & Pengabdian kepada Masyarakat, Universitas Lampung, Vol 1:1-15. Zakaria, A. 2010, A Study Periodic Modeling of Daily Rainfall at Purajaya Region, Seminar Sains and Teknologi III. Lampung University, Lampung University, 3,hal Ashruri, Pemodelan Periodik dan Stokastik...

13 Zakaria, A. 2010, Studi pemodelan stokastik curah hujan harian dari data curah hujan stasiun Purajaya. Seminar Nasional Sain Mipa dan Aplikasinya, 8-9 December 2010, Lampung University, 2, Zakaria, A. 2011, A study modeling of 15 days cumulative rainfall at Purajaya Region, International Journal of Geology, Indonesia, Vol 5:1-7. Ashruri, Pemodelan Periodik dan Stokastik... 51

14 52 Ashruri, Pemodelan Periodik dan Stokastik...